تخمین حالت یکی از مسائل اساسی در پایش و بهره‌برداری از شبکه‌های توزیع برق است و دقت و سرعت آن نقش مهمی در آگاهی از وضعیت لحظه‌ای شبکه دارد. این پایان‌نامه با هدف توسعه و ارزیابی یک چارچوب داده‌محور چندناحیه‌ای برای تخمین حالت شبکه‌های توزیع ارائه شده است. در چارچوب پیشنهادی، شبکه به پنج ناحیه تقسیم شده و پس از مهندسی ویژگی مبتنی بر اطلاعات متقابل، مدل‌های رگرسیون خطی، Lasso، ElasticNet، پرسپترون چندلایه (MLP) و یک مدل ترکیبی Ensemble برای تخمین دامنه ولتاژ و زاویه فاز به‌کار گرفته شدند. عملکرد روش بر روی شبکه‌های استاندارد ?? و ?? شینه و با استفاده از معیارهای میانگین قدر مطلق خطا (MAE)، ریشه میانگین مربعات خطا (RMSE) و بیشینه خطا (MaxError) ارزیابی شد. نتایج نشان داد مدل‌های رگرسیونی در تخمین ولتاژ دقتی نزدیک به MLP دارند، در حالی‌که زمان آموزش آن‌ها در هر دو شبکه کمتر از ??? ثانیه بود؛ در مقابل، آموزش MLP در شبکه‌های ?? و ?? شینه به‌ترتیب حدود ???? و ???? ثانیه زمان نیاز داشت. در حالت مشاهده‌پذیری کامل، مدل ترکیبی در شبکه ?? شینه به بیشینه خطای ????? درصد برای ولتاژ و ?????? درجه برای زاویه فاز دست یافت. در شبکه ?? شینه نیز این مقادیر به‌ترتیب ????? درصد و ?????? درجه به دست آمد. در مقایسه با پژوهش مرجع [53] که بیشینه خطای ولتاژ ???? درصد و زاویه فاز ???? درجه را گزارش کرده است، روش حاضر در شبکه ?? شینه از نظر خطای ولتاژ تقریباً هم‌تراز و از نظر تخمین زاویه فاز بهتر عمل کرد؛ در شبکه ?? شینه نیز اگرچه خطای ولتاژ بیشتر بود، خطای زاویه فاز همچنان کمتر از مقدار مرجع به دست آمد. همچنین، ساختار چندناحیه‌ای در شبکه ?? شینه زمان کل آموزش را از ?????? به ?????? ثانیه، معادل ???? درصد، کاهش داد. نوآوری اصلی پژوهش، ارائه و ارزیابی یک چارچوب یکپارچه شامل تخمین چندناحیه‌ای، مهندسی ویژگی مبتنی بر اطلاعات متقابل، مقایسه هم‌زمان مدل‌های رگرسیونی و شبکه عصبی، و ترکیب آن‌ها در قالب مدل Ensemble است که امکان بررسی هم‌زمان دقت، هزینه محاسباتی و مقاومت در برابر کاهش اندازه‌گیری‌ها را فراهم می‌کند.